PENGANTAR

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF
FUNGSI RADIAL
BASIS

Zeta Dharma Prakasa

1212100097
JARINGAN SYARAF
FUNGSI RADIAL BASIS

model jaringan syaraf dengan satu unit

pada hidden layer, dimana fungsi
aktivasinya adalah fungsi basis dan
fungsi linear pada lapisan output.
model ini mentransformasi input secara
nonlinear pada hidden layer sebelum
diproses secara linear pada lapisan
output
 RBFNs dengan input berdimensi n, x   n dan
output tunggal, y   dengan jumlahan bobot
dari berhingga banyak Fungsi Radial Basis
Secara matematis output y dapat dinyatakan,
n
y  f ( x)  w ( x c i i i )
Dimana i 1

 ( x  ci ) adalah Fungsi Basis, fungsi nonlinear

. norm Euclid
ci   n center dari Fungsi Radial Basis
wi parameter bobot
n
y  f ( x)   w ( x  c
i 1
i i )
FUNGSI RADIAL BASIS

Pada persamaan y  f ( x)   w  ( x  c )
i 1
i i

 (.) merupakan Fungsi Radial Basis

Fungsi Radial Basis mempunyai nilai
maksimum pada saat x  ci dan turun secara
monoton menuju 0 untuk x  c mendekati
i

tak hingga
Masing-masing node menghasilkan output
yang sama untuk input yang mempunyai jarak
radial yang tetap dari input
 Untuk kasus multiple output dituliskan menjadi
n
y j  f j (x)  w ( x c );
i1
ij i j 1,2,...,m
atau
y  f ( x)  W

dimana w11 w12 . . . w1n   ( x  c1 )

w w  
 21 22 . . . w2n   ( x  c 2 )
 . . . .   . 
W    
 . 
 . . . . 
 .  
. . .  
.

   ( x  c n )
wn1 wn2 . . . wnn 
Interpolasi dengan Menggunakan
Fungsi Radial Basis

 Jika diberikan n buah titik yang berbeda

[ xi   p , i  1,2,..., n] dan n bilangan real
[ yi  , i  1,2,..., n]

Akan ditentukan fungsi f : n  

sedemikian hingga memenuhi
f (xi )  yi i  1,2,..., n
 n
y  f ( x)   w ( x  x
i 1
i i )

atau dapat dituliskan menjadi

w  y
11 12 . . . 1N   w1   y1 
 .  2 N   w2   y 2 
 21  22 . .
 . . .  .   . 
     
 . . .  .   . 
 . . .  .   . 
    
 n1  n 2 . . .  nn   wn   y N 
 Pada persamaan w  y
Kondisi perlu dan cukup untuk
menyelesaikan permasalahan interpolasi ini
adalah keinvertibilitasan dari matrik
Interpolasi 
Oleh karena itu, dipilih Fungsi Radial Basis
sedemikian hingga  (.) nonsingular, maka
penyelesaian dari bobot vektor w didapatkan
w  1 y
Beberapa Fungsi Radial Basis : ( r )2
 Fungsi Radial Basis Gaussian
 (r )  e c
 Fungsi Radial Basis Multikuadratik  ( r )  (c  r ) , (0    1)
2 2 

 1
 (r )  , (  0)
(c  r 2 ) 
2
 Fungsi Radial Basis Invers Multikuadratik
 Fungsi Radial Basis Plate Spline  (r )  r 2 log(r )

 Fungsi Radial Basis Kubik Spline  (r )  r 3

 Fungsi Radial Basis Linear Spline  (r )  r

Jaringan Syaraf Fungsi Radial Basis Gaussian
 1
u i   exp(d i )
2
Contoh 1

 Empat vektor input dengan vektor

output yang bersesuaian adalah
  1
 1 
1 1 1 1 y   
x1   x 
x2   3   x 4     1 
1 1 1 1  
  1 
 Vektor parameter center pada Fungsi
Radial Basis Linear dipilih sebagai
c1  x1 c3  x3
c2  x2 c4  x4
 Dengan menggunakan Fungsi Radial Basis
Linear  (r)  r ,matriks Interpolasinya :

 x1  c1 x1  c 2 x1  c 3 x1  c 4 
 
x 2  c1 x2  c2 x 2  c3 x2  c4 

 x 3  c1 x3  c 2 x3  c3 x3  c 4 
 
 x 4  c1 x4  c2 x 4  c3 x 4  c 4 
 0 2 2 2 2
 
2 0 2 2 2 

 2 2 2 0 2 
 
2 2 2 2 0 
 bobot vektor dapat diselesaikan dengan
persamaan matriks w  y
 0 2 2 2 2w1  1
    
 2 0 2 2 2 w2   1 

 2 2 2 0 
2 w3   1 
    
2 2 2 2 0 w4  1

Sehingga diperoleh
2 2 2 2
w1  w4  w2  w3  
4 4
Contoh 2

 Empat vektor input biner dengan vektor

output yang bersesuaian adalah
1 
1 0 0 0 
x1    x2   1  y   
x3    x4    1 
1 1 0 0   
0 
 Ditentukan Vektor parameter center pada
Fungsi Radial Basis Linear
1  0 
c1    c2   
1  0 
Untuk output yang mengandung bias
b=1, maka
2
y w ( x  c
i 1
i i )b
 Dengan menggunakan Fungsi Radial Basis
Gaussian  ( x  c  exp( x  c ) i  1,2
i i
2

matriks Interpolasinya :

 x1  c1 x1  c2 1  1 0 .1353 1
   0 .3678 1
x2  c1 x2  c2 1 0 .3678
 
 x3  c1 x3  c2 1  0 .1353 1 1
   
 x4  c1 x4  c2 1  0 .3678 0 .3678 1
Terlihat bahwa matrik interpolasi bukan
merupakan matrik bujur sangkar
(overdetermined equation)
Sehingga untuk menyelesaikannya, digunakan
pseudoinvers dari matrik  :
w   y
 ( T ) 1  T y
T  adalah matrik interpolasi bujur sangkar
yang mempunyai invers
Selanjutnya diperoleh
 1.656  1.158 0.628  1.158
    0.628  1.158 1.656  1.158
 0.846 1.301  0.846 1.301 

Maka diperoleh
 2.284 
w   2.284 
 1.692
Contoh 3

Peramalan rata-rata curah hujan di wilayah

Kabupaten Klaten Propinsi Jawa Tengah
Data yang digunakan adalah data rata-rata-rata
curah hujan bulanan Kabupaten Klaten Prop
Jawa Tengah selama 14 thn dari Jan ’91 s.d
Des ’04. Terdapat 168 data, 156 data
digunakan untuk pelatihan dan 12 data untuk
testing
Hasil peramalan dengan RBFNs
dibandingkan dengan ARIMA, diperoleh
bahwa peramalan dengan RBFNs
diperoleh hasil yang lebih baik daripada
model ARIMA untuk data sampai
dengan 10 langkah ke depan. Tetapi
untuk 11 dan 12 langkah ke depan,
ARIMA lebih baik
Contoh 4

Contoh pengklasifikasian sederhana dimana tiga

kelas dapat diklasifikasikan secara efektif
menggunakan Fungsi Radial Basis Linier
( x  c )  x  c
diperoleh,
  ( x  c )  r1 : kelas 1
 r1   ( x  c )  r2 : kelas 2
  ( x  c )  r2 : kelas 3
TERIMA KASIH
DEPARTEMEN MATEMATIKA
INSTITUT TEKNOLOGI SEPULUH NOPEMBER

Fitri Ayuningtyas 06111540000012

Putri Afiani W. 06111540000015
Tommy Ferdinand S. 06111540000019
Desynta N. F. 06111540000022
Sistem Dinamik
SISTEM KONTINU SISTEM DISKRIT

Persamaan Diferensial : Persamaannya di definisikan :

𝑑𝑥 𝑥 𝑓 𝑥 , 𝑡𝜖𝑍 𝑎𝑡𝑎𝑢 𝑁
𝑓 𝑥, 𝑡 , 𝑡𝜖𝑅
𝑑𝑡
Sistem Dinamik Kontinu

𝑑𝑥 SISTEM
𝑓 𝑥 DISEBUT
𝑑𝑡 AUTONOMOUS

Karena x adalah fungsi dari t, sedangkan f merupakan fungsi dari x

yang tidak tergantung pada t.
 SOLUSI ANALITIS
LINIER KURVA SOLUSI
(eksplisit)

SOLUSI KUALITATIF PHASE POTRAIT

SISTEM
AUTONOMOUS

NON LINIER
Solusi Analitis pada Sistem
Autonomous
Penentuan Titik Kesetimbangan
𝑑𝑥
𝑓 𝑥 0
𝑑𝑡
Atau 𝑓 𝑥, 𝑦 0; 𝑓 𝑥, 𝑦 0
Mencari Matriks Jacobian di sekitar titik setimbang
𝜕𝑓 𝜕𝑓
𝜕𝑥 𝜕𝑦
𝐽 𝑥 ∗, 𝑦∗
𝜕𝑓 𝜕𝑓
𝜕𝑥 𝜕𝑦
Mencari Nilai Eigen dan Vektor Eigen
|𝐽 𝜆𝐼| 0 dan |𝐽 𝜆𝐼|v 0
 Kestabilan
Jika matriks Jacobian 𝐽 , dari Sistem nonlinear 𝑥 𝑓 𝑥 dengan
nilai eigen

(1) Stabil asimtotik lokal, jika semua nilai eigen dari matriks 𝐽 , bernilai negatif.
(2) Tidak stabil, jika terdapat paling sedikit satu nilai eigen matriks 𝐽 ,
bernilai positif.
Sistem Autonomus Linear 2 Dimensi
Bentuk umum sistem autonomus linear 2 dimensi sebagai berikut :
𝑑𝑥
𝑝𝑥 𝑞𝑦
𝑑𝑡 𝑝 𝑞
𝐴 , det 𝐴 0
𝑑𝑦 𝑟 𝑠
𝑟𝑥 𝑠𝑦
𝑑𝑡
𝑑𝑥
𝑑𝑡 𝑝 𝑞 𝑥 𝑑𝑥⃗
𝑑𝑦 𝑟 𝑠 𝑦
atau 𝐴𝑥⃗
𝑑𝑡
𝑑𝑡
Solusi Analitik

Oleh karena itu:

Contoh :
1. 2𝑥 𝑦; 2𝑥 3𝑦
Jawab:
 Titik Kesetimbangan

Saat 0 𝑑𝑎𝑛 0, sehingga diperoleh :

𝑦∗ 2𝑥

𝑥∗ 𝑦

Maka titik setimbangnya yaitu 𝑦, 2𝑥

 Matriks Jacobian
 Mencari Nilai Eigen
Jika :
𝐽 𝜆𝐼 0
𝑓 2𝑥 𝑦
2 𝜆 1
𝑓 2𝑥 3𝑦 0
2 3 λ
𝜕𝑓 𝜕𝑓 2 𝜆 3 𝜆 2 0
𝑀𝑎𝑘𝑎, 2 ; 1
𝜕𝑥 𝜕𝑦 𝜆 5𝜆 6 2 0

𝜕𝑓 𝜕𝑓 𝜆 5𝜆 4 0
2 ; 3
𝜕𝑥 𝜕𝑦 𝜆 1; 𝜆 4
Dapat ditulis dalam matriks jacobian

2 1
J  J
2 3

2 1
𝐽 , 2 3
 Mencari Vektor Eigen
 Saat 𝜆 4, subtitusi
𝐽 𝜆𝐼 𝑣 0
2 1 𝑣 0
2 𝜆 1 𝑣 0 2 1 𝑣 0
2 3 λ 𝑣 0
2𝑣 𝑣 0
 Saat 𝜆 1, subtitusi
2𝑣 𝑣
1 1 𝑣 0 Sehingga :
2 2 𝑣 0
𝑣 𝑣 1
Misal 𝑣 𝑠 𝑣 𝑠
𝑣 2𝑣 2
𝑣 𝑣 0
𝑣 𝑣
 PUPD :
Sehingga :
𝑥 𝑡 1 1
𝑣 𝑣 1 𝑐 𝑒 𝑐 𝑒
𝑣 𝑠 𝑦 𝑡 1 2
𝑣 𝑣 1
 Phase Potrait
Karena 𝜆 bernilai positif semua maka sitem tidak stabil.
Sehingga gambar phase potrait nya :
Contoh :
2. 𝑥 2𝑦 ; 2𝑥 2𝑦
Jawab :

 Titik Kesetimbangan

Saat 0 𝑑𝑎𝑛 0, sehingga diperoleh :

𝑥∗ 2𝑦
𝑦∗ 𝑥
Maka titik setimbangnya yaitu 2𝑦, 𝑥
Matriks Jacobian  Mencari Nilai Eigen
Jika :
𝑓 𝑥 2𝑦 𝐽 𝜆𝐼 0
𝑓 2𝑥 2𝑦
𝜕𝑓 𝜕𝑓 1 𝜆 2
0
𝑀𝑎𝑘𝑎, 1 ; 2 2 2 λ
𝜕𝑥 𝜕𝑦
𝜕𝑓 𝜕𝑓 1 𝜆 2 𝜆 4 0
2 ; 2
𝜕𝑥 𝜕𝑦 𝜆 𝜆 2 4 0
Dapat ditulis dalam matriks jacobian
𝜆 𝜆 6 0
1 2
J  J 𝜆 3 𝜆 2
2 2
𝜆 3; 𝜆 2
1 2
𝐽 ,
2 2
 Mencari Vektor Eigen  Saat 𝜆 2, subtitusi
𝐽 𝜆𝐼 𝑣 0
1 2 𝑣 0
𝑣 0 2 4 𝑣 0
1 𝜆 2
2 2 λ 𝑣 0 𝑣 2𝑣 0
 Saat 𝜆 3, subtitusi 𝑣 2𝑣
Sehingga :
4 2 𝑣 0
2 1 𝑣 0 misal 𝑣 𝑟

Misal 𝑣 𝑠 𝑣 2𝑣 2
𝑣 𝑟
2𝑣 𝑣 0 𝑣 𝑣 1

𝑣 2𝑣
 PUPD :
Sehingga :
𝑥 𝑡 1 2
𝑣 𝑣 1 𝑐 𝑒 𝑐 𝑒
𝑣 𝑠 𝑦 𝑡 2 1
𝑣 2𝑣 2
 Phase Potrait
Karena 𝜆 ada yag bernilai positif maka sitem tidak stabil.
Sehingga gambar phase potraitnya :
 PENGANTAR
JARINGAN SYARAF TIRUAN

JARINGAN SYARAF
FUNGSI RADIAL
BASIS

Zeta Dharma Prakasa

1212100097
JARINGAN SYARAF
FUNGSI RADIAL BASIS

model jaringan syaraf dengan satu unit

pada hidden layer, dimana fungsi
aktivasinya adalah fungsi basis dan
fungsi linear pada lapisan output.
model ini mentransformasi input secara
nonlinear pada hidden layer sebelum
diproses secara linear pada lapisan
output
 RBFNs dengan input berdimensi n, x   n dan
output tunggal, y   dengan jumlahan bobot
dari berhingga banyak Fungsi Radial Basis
Secara matematis output y dapat dinyatakan,
n
y  f ( x)  w ( x c i i i )
Dimana i 1

 ( x  ci ) adalah Fungsi Basis, fungsi nonlinear

. norm Euclid
ci   n center dari Fungsi Radial Basis
wi parameter bobot
n
y  f ( x)   w ( x  c
i 1
i i )
FUNGSI RADIAL BASIS

Pada persamaan y  f ( x)   w  ( x  c )
i 1
i i

 (.) merupakan Fungsi Radial Basis

Fungsi Radial Basis mempunyai nilai
maksimum pada saat x  ci dan turun secara
monoton menuju 0 untuk x  c mendekati
i

tak hingga
Masing-masing node menghasilkan output
yang sama untuk input yang mempunyai jarak
radial yang tetap dari input
 Untuk kasus multiple output dituliskan menjadi
n
y j  f j (x)  w ( x c );
i1
ij i j 1,2,...,m
atau
y  f ( x)  W

dimana w11 w12 . . . w1n   ( x  c1 )

w w  
 21 22 . . . w2n   ( x  c 2 )
 . . . .   . 
W    
 . 
 . . . . 
 .  
. . .  
.

   ( x  c n )
wn1 wn2 . . . wnn 
Interpolasi dengan Menggunakan
Fungsi Radial Basis

 Jika diberikan n buah titik yang berbeda

[ xi   p , i  1,2,..., n] dan n bilangan real
[ yi  , i  1,2,..., n]

Akan ditentukan fungsi f : n  

sedemikian hingga memenuhi
f (xi )  yi i  1,2,..., n
 n
y  f ( x)   w ( x  x
i 1
i i )

atau dapat dituliskan menjadi

w  y
11 12 . . . 1N   w1   y1 
 .  2 N   w2   y 2 
 21  22 . .
 . . .  .   . 
     
 . . .  .   . 
 . . .  .   . 
    
 n1  n 2 . . .  nn   wn   y N 
 Pada persamaan w  y
Kondisi perlu dan cukup untuk
menyelesaikan permasalahan interpolasi ini
adalah keinvertibilitasan dari matrik
Interpolasi 
Oleh karena itu, dipilih Fungsi Radial Basis
sedemikian hingga  (.) nonsingular, maka
penyelesaian dari bobot vektor w didapatkan
w  1 y
Beberapa Fungsi Radial Basis : ( r )2
 Fungsi Radial Basis Gaussian
 (r )  e c
 Fungsi Radial Basis Multikuadratik  ( r )  (c  r ) , (0    1)
2 2 

 1
 (r )  , (  0)
(c  r 2 ) 
2
 Fungsi Radial Basis Invers Multikuadratik
 Fungsi Radial Basis Plate Spline  (r )  r 2 log(r )

 Fungsi Radial Basis Kubik Spline  (r )  r 3

 Fungsi Radial Basis Linear Spline  (r )  r

Jaringan Syaraf Fungsi Radial Basis Gaussian
 1
u i   exp(d i )
2
Contoh 1

 Empat vektor input dengan vektor

output yang bersesuaian adalah
  1
 1 
1 1 1 1 y   
x1   x 
x2   3   x 4     1 
1 1 1 1  
  1 
 Vektor parameter center pada Fungsi
Radial Basis Linear dipilih sebagai
c1  x1 c3  x3
c2  x2 c4  x4
 Dengan menggunakan Fungsi Radial Basis
Linear  (r)  r ,matriks Interpolasinya :

 x1  c1 x1  c 2 x1  c 3 x1  c 4 
 
x 2  c1 x2  c2 x 2  c3 x2  c4 

 x 3  c1 x3  c 2 x3  c3 x3  c 4 
 
 x 4  c1 x4  c2 x 4  c3 x 4  c 4 
 0 2 2 2 2
 
2 0 2 2 2 

 2 2 2 0 2 
 
2 2 2 2 0 
 bobot vektor dapat diselesaikan dengan
persamaan matriks w  y
 0 2 2 2 2w1  1
    
 2 0 2 2 2 w2   1 

 2 2 2 0 
2 w3   1 
    
2 2 2 2 0 w4  1

Sehingga diperoleh
2 2 2 2
w1  w4  w2  w3  
4 4
Contoh 2

 Empat vektor input biner dengan vektor

output yang bersesuaian adalah
1 
1 0 0 0 
x1    x2   1  y   
x3    x4    1 
1 1 0 0   
0 
 Ditentukan Vektor parameter center pada
Fungsi Radial Basis Linear
1  0 
c1    c2   
1  0 
Untuk output yang mengandung bias
b=1, maka
2
y w ( x  c
i 1
i i )b
 Dengan menggunakan Fungsi Radial Basis
Gaussian  ( x  c  exp( x  c ) i  1,2
i i
2

matriks Interpolasinya :

 x1  c1 x1  c2 1  1 0 .1353 1
   0 .3678 1
x2  c1 x2  c2 1 0 .3678
 
 x3  c1 x3  c2 1  0 .1353 1 1
   
 x4  c1 x4  c2 1  0 .3678 0 .3678 1
Terlihat bahwa matrik interpolasi bukan
merupakan matrik bujur sangkar
(overdetermined equation)
Sehingga untuk menyelesaikannya, digunakan
pseudoinvers dari matrik  :
w   y
 ( T ) 1  T y
T  adalah matrik interpolasi bujur sangkar
yang mempunyai invers
Selanjutnya diperoleh
 1.656  1.158 0.628  1.158
    0.628  1.158 1.656  1.158
 0.846 1.301  0.846 1.301 

Maka diperoleh
 2.284 
w   2.284 
 1.692
Contoh 3

Peramalan rata-rata curah hujan di wilayah

Kabupaten Klaten Propinsi Jawa Tengah
Data yang digunakan adalah data rata-rata-rata
curah hujan bulanan Kabupaten Klaten Prop
Jawa Tengah selama 14 thn dari Jan ’91 s.d
Des ’04. Terdapat 168 data, 156 data
digunakan untuk pelatihan dan 12 data untuk
testing
Hasil peramalan dengan RBFNs
dibandingkan dengan ARIMA, diperoleh
bahwa peramalan dengan RBFNs
diperoleh hasil yang lebih baik daripada
model ARIMA untuk data sampai
dengan 10 langkah ke depan. Tetapi
untuk 11 dan 12 langkah ke depan,
ARIMA lebih baik
Contoh 4

Contoh pengklasifikasian sederhana dimana tiga

kelas dapat diklasifikasikan secara efektif
menggunakan Fungsi Radial Basis Linier
( x  c )  x  c
diperoleh,
  ( x  c )  r1 : kelas 1
 r1   ( x  c )  r2 : kelas 2
  ( x  c )  r2 : kelas 3
TERIMA KASIH
 TUGAS BESAR
PENGANTAR OPTIMASI DINAMIS

JUDUL JURNAL: “ANALISIS STABILITAS DAN OPTIMAL KONTROL PADA

MODEL EPIDEMI TIPE SIR DENGAN VAKSINASI”
(oleh : Ikhtisholiyah 1207 100 702)
Departemen Matematika
Institut Teknologi Sepuluh Nopember
Surabaya

NAMA KELOMPOK :

DIAN EKA WARDHANI 1214100008

HANA KARIMAH 1214100079

Departemen Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
Surabaya
 2017
ABSTRAK Pemodelan matematika dan teori banyak digunakan dalam kehidupan sehari-
hari, salah satunya teori kontrol optimal diterapkan pada pengendalian berbagai jenis
penyakit. Pada tugas akhir ini pengendalian optimal tidak diterapkan pada penyakit yang
khusus, akan tetapi digunakan untuk pola penyebaran penyakit yang mempunyai model
epidemi tipe SIR (Susceptible-Infected-Recovery). Untuk menegendalikan pola penyebaran
penyakit ini, diperlukan suatu vaksin. Vaksin adalah bahan antigenik yang digunakan untuk
menghasilkan kekebalan aktif terhadap suatu penyakit sehingga dapat mencegah atau
mengurangi pengaruh infeksi. Pada tugas akhir ini pengendalian penyakit yang mempunyai
model epidemi tipe SIR dilakukan dengan vaksinasi untuk meminimalkan individu rentan (S)
dan terinfeksi (I) serta memaksimalkan individu yang sembuh (R) secara bersamaan. Kontrol
optimal diperoleh dengan menerapkan Prinsip Minimum Pontryagin.

Kata Kunci : Model SIR, vaksinasi, kendali optimal, Prinsip Minimum Pontryagin.
1. Model Endemi Tipe SIR

Model epidemi klasik adalah model SIR dengan dinamika penting (kelahiran dan
kematian) yang diberikan oleh :

𝑑𝑆 𝑡 𝛽𝐼 𝑡 𝑆 𝑡
𝑣𝑁 𝑣𝑆 𝑡 , 𝑆 0 𝑆 0 1.1
𝑑𝑡 𝑁

𝑑𝐼 𝑡 𝛽𝐼 𝑡 𝑆 𝑡
𝛾 𝑣 𝐼 𝑡 , 𝐼 0 𝐼 0 1.2
𝑑𝑡 𝑁

𝑑𝑅 𝑡
𝛾𝐼 𝑡 𝑣𝑅 𝑡 , 𝑅 0 𝑅 0 1.3
𝑑𝑡

Untuk masalah kontrol optimal digunakan variabel kontrol 𝑢 𝑡 ∈ 𝑈 yang

merepresentasikan proporsi jumlah individu rentan yang diberikan vaksin pada saat t,
disini 𝑈 𝑢|0 𝑢 𝑡 0.9; 𝑡 ∈ 0, 𝑡 . Dengan adanya pengontrol 𝑢 𝑡 , maka
konstrain sistem dinamik dari persamaan diferensial pada (1.1)-(1.3) menjadi :

𝑑𝑆 𝑡 𝛽𝐼 𝑡 𝑆 𝑡
𝑣𝑁 𝑣 𝑢 𝑡 𝑆 𝑡 , 𝑆 0 𝑆 0 1.4
𝑑𝑡 𝑁

𝑑𝐼 𝑡 𝛽𝐼 𝑡 𝑆 𝑡
𝛾 𝑣 𝐼 𝑡 , 𝐼 0 𝐼 0 1.5
𝑑𝑡 𝑁

𝑑𝑅 𝑡
𝛾𝐼 𝑡 𝑣𝑅 𝑡 𝑢 𝑡 𝑆 𝑡 , 𝑅 0 𝑅 0 1.6
𝑑𝑡

Tujuan akhr dari masalah kontrol optimal dari model epidemi tipe SIR adalah untuk
mendapatkan bentuk yang optimal sehingga meminimalkan fungsi objektif dengan
kontrol 𝑢 𝑡 :

1
𝐽 𝑢 𝐴 𝑆 𝑡 𝐴 𝐼 𝑡 𝜏𝑢 𝑑𝑡 1.7
2

dengan
𝑆 𝑡 : populasi susceptible (yang rentan terhadap penyakit) pada saat t.
𝐼 𝑡 : populasi infectious (yang terjangkit penyakit dan dapat menularkan
penyakit) pada saat t.
𝑅 𝑡 : populasi recovery (yang telah sembuh/bebas penyakit) pada saat t.
𝐴 ,𝐴 : konstanta positif untuk menjaga keseimbangan ukuran 𝑆 𝑡 dan 𝐼 𝑡 .
 𝜏 : bobot parameter positif
𝑢 𝑡 : presentase jumlah individu rentan yang diberikan vaksin pada saat t.
𝑁 : jumlah populasi keseluruhan
𝑣 : laju kelahiran dan kematian yang dianggap sama tiap satuan waktu
𝛽 : koefisien transmisi
𝛾 : laju kesembuhan dan individu terinveksi

2. Masalah kontrol optimal

Pada umumnya, masalah kontrol optimal dalam bentuk matematik dapat

diformulasikan sebagai berikut. Dengan tujuan mencari kontrol 𝑢 𝑡 yang
mengoptimalkan (memaksimalkan atau meminimumkan) performance index:

𝐽 𝑆 𝑥 𝑡 ,𝑡 𝑓 𝑥 𝑡 , 𝑢 𝑡 , 𝑡 𝑑𝑡 2.1

Dengan kendala
𝑥 𝑔 𝑥 𝑡 ,𝑢 𝑡 ,𝑡
𝑥 𝑡 𝑋 2.2

Performance index merupakan ukuran kuantitas dari performa suatu sistem. Kontrol
𝑢∗ 𝑡 merupakan kontrol optimal, jika didistribusikan kedalam sistem dinamik (2.2)
akan memperoleh daerah(state) yang optimal 𝑥 ∗ 𝑡 dan pada saat yang sama juga
mengoptimalkan performance index (2.1).

3. Analisis dan Pembahasan

3.1 Deskripsi Model dan Asumsi
Model epidemi tipe SIR yang aka dibahas mempunyai asumsi-asumsi sebagai
berikut:
a. Populasi dibagi menjadi 3 kelompok, yaitu :
𝑆 𝑡 adalah populasi susceptible (individu-individu yang rentan terhadap
penyakit) pada saat t.
𝐼 𝑡 adalah populasi infectious (individu-individu yang terjangkit penyakit dan
dapat menularkan penyakit, tapi belum menunjukkan adanya gejala penyakit
diawal) pada saat t.
𝑅 𝑡 adalah populasi recovery (individu-individu yang telah sembuh/bebas
peyakit) pada saat t.
b. Diasumsikan v adalah laju kelahiran yang sama dengan laju kematian.
Sedangkan N adalah jumlah populasi keseluruhan dari populasi S,I,dan R,
jumlah populasi yang lahir dalam tiap satuan waktu selalu konstan. Jumlah
populasi yang lahir proporsional dengan jumlah populasi N. Oleh karena itu
jumlah populasi yang lahir dalam populasi adalh vN . Populasi yang lahir akan
masuk kelompok S(t).
 c. Berdasarkan asumsi laju kelahiran sama dengan laju kematian, maka jumlah
populasi yang mati pada setiap kelompok proposional dengan jumlah populasi
pada masing-masing kelompok S(t), I(t), R(t). Oleh karena itu, jumlah
kematian pada kelompok masing masing sebesar vS(t ), vI(t ), vR(t) .
d. 𝛽𝐼 𝑡 𝑆 𝑡 adalah laju besarnya populasi yang terinfeksi dimana 𝛽 adalah
koefisien transmisi yang merupakan konstanta yang menunjukkan tingat
kontak sehngga terjadi penularan penyakit, individu rentan memperoleh
infeksi pada per kapita 𝛽𝐼 𝑡 dan laju kejadian timbulnya penyakit standar
pada populasi yang terinfeksi .
e. 𝛾 adalah laju kesembuhan dari individu yang telah terinfeksi.
f. 𝑢 𝑡 yang merepresentasikan prosentase populasi rentan yang divaksinasi per
unit waktu

Sehingga persamaan untuk :

a. Populasi Susceptible
𝑑𝑆 𝑡 𝛽𝐼 𝑡 𝑆 𝑡
𝑣𝑁 𝑣𝑆 𝑡
𝑑𝑡 𝑁
Yakni, besarnya laju populasi yang rentan dipengaruhi oleh jumlah populasi
yang lahir dalam populasi vN dan akan menurun dengan adanya laju kematian
alami vS(t) serta laju populasi yang terinfeksi
b. Populasi Infected
𝑑𝐼 𝑡 𝛽𝐼 𝑡 𝑆 𝑡
𝛾 𝑣 𝐼 𝑡
𝑑𝑡 𝑁
yakni, besarnya laju populasi yang terinfeksi dipengaruhi oleh laju populasi
yang terinfeksi dan akan menurun dengan adanya populasi yang
sembuh 𝛾𝐼 𝑡 serta laju kematian alami 𝑣𝐼 𝑡 .

c. Populasi Recovery
𝑑𝑅 𝑡
𝛾𝐼 𝑡 𝑣𝑅 𝑡 𝑢 𝑡 𝑆 𝑡
𝑑𝑡
yakni, besarnya laju populasi yang sembuh dipengaruhi oleh laju kesembuhan
dari populasi yang terinfeksi 𝛾𝐼 𝑡 dan akan menurun dengan adanya laju
kematian alami 𝑣𝑅 𝑡 .

3.2 Titik Setimbang Model

3.2.1 Titik Setimbang Bebas Penyakit(disease-free equilibrium)
Suatu keadaan dimana tidak terjadi infeksi/penularan pada populasi
(𝐼 𝑡 0 , sehingga didapatkan titik setimbang bebas penyakit yaitu 𝐸
𝑆 ,𝐼 ,𝑅 𝑁, 0,0 .
3.2.2 Titik Setimbang Endemi(endemic equilibrium)
Suatu keadaan terjadi penyebaran penyakit menular didalam populasi,
didapatkan dari 0, 0, 0, sehingga didapatkan titik setimbang
 endemi yaitu 𝐸 𝑆 ,𝐼 ,𝑅 , 𝑣𝑁 , 𝛾𝑁

3.3 Kestabilan Lokal

3.3.1 Kestabilan Lokal Titik Setimbang Bebas Penyakit
untuk titik setimbang 𝐸 𝑆 ,𝐼 ,𝑅 𝑁, 0,0 matrik jacobiannya
adalah
𝑣 𝛽 0
𝑗 0 𝛽 𝛾 𝑣 0
0 𝛾 𝑣
Nilai eigen diperoleh dari : det 𝜆𝐼 𝑗 0
1 0 0 𝑣 𝛽 0
↔ 𝜆 0 1 0 0 𝛽 𝛾 𝑣 0 0
0 0 1 0 𝛾 𝑣

𝜆 𝑣 𝛽 0
↔ 0 𝜆 𝛽 𝛾 𝑣 0 0
0 𝛾 𝜆 𝑣

↔ 𝜆 𝑣 𝜆 𝛽 𝛾 𝑣 𝜆 𝑣 0

Sehingga didapatkan nilai eigen

𝜆 , 𝑣, 𝜆 𝛽 𝛾 𝑣

Karena laju kematian alami untuk nilai 𝑣 0 maka 𝜆 , 𝑣 0,

sedangkan untuk 𝜆 𝛽 𝛾 𝑣 belum dapat ditentukan
tandanya(dapat bernilai positif atau negatif). Oleh karena itu, akan dicari
bilangan Reproduksi Dasar 𝑅 terlebih dahulu.

Dari persamaan (1.1)-(1.3) dapat dicari basic Reproductive 𝑅 ,

dimana 𝑅 bertujuan untuk mengetahui dinamik penyebaran penyakit,
artinya apakah penyakit tersebut akan terjadi wabah atau tidak.
Berdaarkan nilai eigen 𝜆 dapat dianalisa sebagai berikut:

𝜆 𝛽 𝛾 𝑣

𝛽 𝛾 𝑣
𝜆 𝛾 𝑣
𝛾 𝑣

𝛽
𝜆 𝛾 𝑣 1
𝛾 𝑣
 Dengan 𝛾 𝑣 0, sedangan 1 akan bernilai positif jika

1 dan bernilai negatif jika 1

Oleh karen itu, basic Reproductive 𝑅 adalah :

𝛽
𝑅
𝛾 𝑣

Dari nilai 𝑅 maka akan didapatkan nilai 𝜆 , 𝜆 , 𝜆 sebagai berikut :

a. Jika 𝑅 1 𝑎𝑡𝑎𝑢 1
Akan didapatkan bahwa nilai eigen dari 𝜆 , 𝜆 0 dan 𝜆 0, maka
berdasarkan sifat stabilitas titik setimbang dilihat dari akar-akar
karakteristiknya (nilai eigen 𝜆) maka titik setimbang 𝐸 𝑁, 0,0 tidak
stabil.
b. Jika 𝑅 1 atau 1
Akan didapatkan bahwa nilai eigen dari 𝜆 , 𝜆 , 𝜆 0, maka berdasarkan sifat
stabilitas titik setimbang dilihat dari akar-akar karakteristiknya (nilai eigen 𝜆)
maka titik setimbang 𝐸 𝑁, 0,0 stabil asimtotis.

3.3.2 Kestabilan Lokal Titik Setimbang Endemi

Pada titik setimbang 𝐸 𝑆 , 𝐼 , 𝑅 dengan :

𝛾 𝑣 𝑁
𝑆
𝛽

1 1
𝐼 𝑣𝑁
𝛾 𝑣 𝛽

1 1
𝑅 𝛾𝑁 3.1
𝛾 𝑣 𝛽

Nilai eigen diperoleh dari : det 𝜆𝐼 𝑗 𝐸 0 maka

𝛽𝐼 𝑡 𝛽𝐼 𝑡
⎡ 𝑣 0⎤
1 0 0 ⎢ 𝑁 𝑁 ⎥
𝜆 0 1 0 ⎢ 𝛽𝐼 𝑡 𝛽𝑆 𝑡 0
0 0 1 𝛾 𝑣 0⎥
⎢ 𝑁 𝑁 ⎥
⎣ 0 𝛾 𝑣⎦

𝛽𝐼 𝑡 𝛽𝐼 𝑡
⎡𝜆 𝑣 0 ⎤
⎢ 𝑁 𝑁 ⎥
⎢ 𝛽𝐼 𝑡 𝛽𝑆 𝑡 0
𝜆 𝛾 𝑣 0 ⎥
⎢ 𝑁 𝑁 ⎥
⎣ 0 𝛾 𝜆 𝑣⎦
Persamaan karakteristiknya adalah :

𝛽𝑆 𝑡 𝛽𝐼 𝑡
𝜆 𝜆 3𝑣 𝛾
𝑁 𝑁
2𝑣𝑆 𝑡 𝛽 𝛽𝐼 𝑡 𝛾 2𝐼 𝑡 𝛽𝑣
𝜆 2𝑣𝛾 3𝑣
𝑁 𝑁 𝑁
𝑆 𝑡 𝛽𝑣 𝛽𝑣𝛾𝐼 𝑡 𝛽𝐼 𝑡 𝑣
𝛾𝑣 𝑣
𝑁 𝑁 𝑁

Misalkan :

𝛽𝐼 𝑡 𝛽𝐼 𝑡
𝑎 3𝑣 𝛾
𝑁 𝑁
2𝑣𝑆 𝑡 𝛽 𝛽𝐼 𝑡 𝛾 2𝛽𝐼 𝑡 𝑣
𝑎 2𝑣𝛾 3𝑣
𝑁 𝑁 𝑁
𝛽𝑆 𝑡 𝑣 𝛽𝑣𝛾𝐼 𝑡 𝛽𝐼 𝑡 𝑣
𝑎 𝛾𝑣 𝑣
𝑁 𝑁 𝑁
dengan mensubtitusikan nilai-nilai S,I,R pada persamaan (3.1) sehingga
diperoleh :

𝛽𝑣
𝑎 𝑣
𝛾 𝑣

𝛽𝑣𝛾 2𝛽𝑣
𝑎 𝛾𝑣 2𝑣
𝛾 𝑣 𝛾 𝑣

𝛽𝑣 𝛾 𝛽𝑣
𝑎 𝛾𝑣 𝑣
𝛾 𝑣 𝛾 𝑣

Persamaan diatas jika ditulis dalam bentuk polinomial orde 3 menjadi:

𝜆 𝑎 𝜆 𝑎 𝜆 𝑎 0

Selanjutnya untuk mendapatkan akar-akar karakteristik (nilai eigen 𝜆) dari

polinomial derajat 3 digunakan kriteria kestabilan Routh-Hurwitz untuk
menentukan kestabilannya

𝜆 1 𝑎
𝜆 𝑎 𝑎
𝜆 𝑏 0
𝜆 𝑐 0
𝑎 𝑎 𝑎
𝑏 , 𝑐 𝑎
𝑎
Polinomial orde 3 mempunyai akar negatif pada bagian realnya jika dan hanya jika elemen-
konstrainnya adalahelemen dari kolom pertama pada tabel Routh-Hurwitz memiliki tanda
yang sama. Sehingga didapatkan ketika 𝑅 1 berakibat 𝑎 0, 𝑏 0 dan 𝑐 0. Maka
titik setimbang endemi yaitu :

𝐸 𝑆 ,𝐼 ,𝑅 , 𝑣𝑁 , 𝛾𝑁 . adalah stabil asimtotik.

3.4 Penyelesaian Kontrol Optimal

Pada penyelesaian kontrol optimal ini akan dibahas tentang penyelesaian
menggunakan kontrol optimal untuk mendapatkan vaksinasi yang optimal dengan
fungsi tujuan sebagai berikut :
1 1
𝐽 𝑢 𝐴 𝑆 𝑡 𝐴 𝐼 𝑡 𝜏𝑢 𝑑𝑡
2 2
Model tersebut dapat diselesaikan dengan menguunakan optimal kontrol dimana
𝑆 𝑡
variabel kontrolnya adalah u dan variabel keadaannya 𝑥 𝑡 𝐼 𝑡 . Sedangkan
𝑅 𝑡
konstrainnya adalah :
𝑑𝑆 𝑡 𝛽𝐼 𝑡 𝑆 𝑡
𝑣𝑁 𝑣 𝑢 𝑡 𝑆 𝑡
𝑑𝑡 𝑁
𝑑𝐼 𝑡 𝛽𝐼 𝑡 𝑆 𝑡
𝛾 𝑣 𝐼 𝑡
𝑑𝑡 𝑁
𝑑𝑅 𝑡
𝛾𝐼 𝑡 𝑣𝑅 𝑡 𝑢 𝑡 𝑆 𝑡
𝑑𝑡
Dengan kondisi batas
0 𝑡 𝑡 0 𝑢 0.9
𝑆 0 𝑆 0, 𝐼 0 𝐼 0, 𝑅 0 𝑅 0

Hal pertama yang harus dilakukan adalah menentukan fungsi Hamiltonian

𝐻 𝑓 𝑥, 𝑢, 𝑡 𝜆 𝑔 𝑥, 𝑢, 𝑡

𝐻 𝐴 𝑆 𝑡 𝐴 𝐼 𝑡 𝜏𝑢 𝜆 𝑣𝑁 𝑣 𝑢 𝑡 𝑆 𝑡
𝜆 𝛾 𝑣 𝐼 𝑡 𝜆 𝛾𝐼 𝑡 𝑣𝑅 𝑡 𝑢 𝑡 𝑆 𝑡

Berdasarkan Prinsip Minimum Pontryagin, maka harus memenuhi persamaan

𝑆 𝑡 𝜆 𝑡
state 𝑥 𝑡 𝐼 𝑡 , co-state 𝜆 𝑡 𝜆 𝑡 dan kondisi stasioner.
𝑅 𝑡 𝜆 𝑡
1. Persamaan State
𝜕𝐻 𝛽𝐼 𝑡 𝑆 𝑡
𝑆 𝑣𝑁 𝑣 𝑢 𝑡 𝑆 𝑡
𝜕𝜆 𝑁
𝜕𝐻 𝛽𝐼 𝑡 𝑆 𝑡
𝐼 𝛾 𝑣 𝐼 𝑡
𝜕𝜆 𝑁
𝜕𝐻
𝑅 𝛾𝐼 𝑡 𝑣𝑅 𝑡 𝑢 𝑡 𝑆 𝑡
𝜕𝜆

Dengan kondisi batas sebagai berikut :

𝑆 0 𝑆 0, 𝐼 0 𝐼 0, 𝑅 0 𝑅 0

2. Persamaan Co-State
𝜕𝐻 𝛽𝜆 𝑡 𝛽𝜆 𝑡 𝑆 𝑡
𝜆 𝜆 𝑡 𝑣 𝑢 𝑡 𝜆 𝑡 𝑢 𝑡 𝐴
𝜕𝑆 𝑁
𝜕𝐻 𝛽𝜆 𝑡 𝛽𝜆 𝑡 𝑆 𝑡
𝜆 𝜆 𝑡 𝛾 𝑣 𝜆 𝑡 𝛾 𝐴
𝜕𝐼 𝑁
𝜕𝐻
𝜆 𝜆 𝑡 𝑣
𝜕𝑅
Dengan kondisi batas sebagai berikut :
𝜆 𝑡 0, 𝑖 1,2,3

3. Kondisi Stasioner
𝜕𝐻
0
𝜕𝑢
𝜏𝑢 𝑡 𝜆 𝑡 𝑆 𝑡 𝜆 𝑡 𝑆 𝑡 0

𝜏𝑢 𝑡 𝜆 𝑡 𝑆 𝑡 𝜆 𝑡 𝑆 𝑡

𝜆 𝑡 𝜆 𝑡 𝑆 𝑡
𝑢 𝑡
𝜏
Karena 0 𝑢 𝑡 0.9, diperoleh kontrol :

𝜆 𝑡 𝜆 𝑡 𝑆 𝑡
𝑢 𝑡 𝑚𝑎𝑘𝑠 min , 0.9 , 0 3.11
𝜏

Dengan mensubstitusikan persamaan (3.11) mka didapatkan sistem yang optimal :

𝛽𝐼 𝑡 𝑆 𝑡
𝑆 𝑣𝑁 𝑣 𝑢 𝑡 𝑆 𝑡
𝑁

𝜆 𝑡 𝜆 𝑡 𝑆 𝑡 𝛽𝐼 𝑡 𝑆 𝑡
𝑣𝑁 𝑣 𝑚𝑎𝑘𝑠 min , 0.9 , 0 𝑆 𝑡
𝜏 𝑁
 𝛽𝐼 𝑡 𝑆 𝑡
𝐼 𝛾 𝑣 𝐼 𝑡
𝑁

𝑅 𝛾𝐼 𝑡 𝑣𝑅 𝑡 𝑢 𝑡 𝑆 𝑡

𝜆 𝑡 𝜆 𝑡 𝑆 𝑡
𝛾𝐼 𝑡 𝑣𝑅 𝑡 𝑚𝑎𝑘𝑠 min , 0.9 , 0 𝑆 𝑡
𝜏

3.5 Simulasi

Table 4.1 Parameter dan Nilainya

Parameter Nilai
𝛽 0.95
𝛾 0.053
𝑣 0.001
𝑁 1075
𝐴 ,𝐴 1
𝜏 20

4. HASIL SIMULASI
A. Tanpa Kontrol
Dalam Hal ini, kondisi Susceptible, Infected, dan Recovered mengalami kenaikan,
dan penurunan secara berulang-ulang dan tidak teratur.
B. Dengan Kontrol Vaksin
Dalam hal ini kondisi Susceptible, Infected dan Recovered:
1. Mengalami penurunan pada susceptible, infected, dan
2. Mengalami peningkatan pada recovered.
DAFTAR PUSTAKA

Anggraeni, E. (2010), Penyelesaian Numerik dan Analisis Perilaku Model Epidemi Tipe SIR
dengan Vaksinasi Untuk Pencegahan Penularan Penyakit. Tugas Akhir S1 Jurusan
Matematika ITS Surabaya.

Ikhtisoliyah (2011), Analisis Stabilitas dan Optimal Kontrol Pada Model Epidemi Tipe SIR
dengan Vaksinasi. Tugas Akhir S1 Jurusan Matematika ITS Surabaya.
 TUGAS
MATEMATIKA SISTEM

Disusun Oleh :
Kelompok 2
Fitri Ayuningtyas 06111540000012
Putri Afiani W. 06111540000015
Tommy Ferdinand S. 06111540000019
Desynta Nurrahmawati F. 06111540000022

DEPARTEMEN MATEMATIKA
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2017
 PENDAHULUAN
Teori Sistem dinamik adalah sebuat teori dari matematika terapan yang digunakan untuk
memeriksa kelakuan system dinamik kompleks, biasanya dengan menggunakan persamaan
diferensial atau persamaan beda. Bila digunakan persamaan diferensial, teori tersebut dinamakan
sistem dinamik kontinu. Bila digunakan persamaan beda, teori tersebut dinamakan sistem dinamik
diskret.

Sistem Dinamik Kontinu 𝑓 𝑥, 𝑡 , 𝑡𝜖𝑅 Karena x adalah fungsi dari t, sedangkan f

merupakan fungsi dari x yang tidak tergantung pada t disebut Sistem Autonomous. Sistem ini
terdiri dari dua yaitu bentuk linear dan non linear.
Sistem dinamik kontinu seperti disebutkan diatas, sangat membantu untuk menyelesaikan
persamaan-persamaan dengan variabel parameter yang saling berhubungan dan sering digunakan
sebagai solusi penyelesaian dari beberapa model matematika, khusunya bidang fisika, kimia, dan
juga biologi. Dalam sistem dinamik, akan diketahui perilaku sistem yang diberikan. Beberapa
metode yang dapat digunakan untuk menganalisa kestabilan sistem yaitu melalui nilai eigen,
metode Lyapunov, limit cycle dan bifurkasi. Melalui nilai eigen akan diperoleh informasi
kestabilan sistem, baik menggunakan sistem persamaan diferensial linier maupun sistem hampir
linier.
 LANDASAN TEORI
1.1 Sistem Persamaan Diferensial
Suatu sistem yang berukuran 𝑛 buah persamaan diferensial dan 𝑛 buah fungsi yang
nilainya tidak diketahui. Fungsi tersebut jika sama dengan nol maka sistem dapat
dikatan sebagai sitem persamaan diferensial homogen. Begitu juga sebaliknya, dapat
dikatakan sebagai sitem persamaan diferensial nonhomogen.
Sistem peramaan diferensial nonlinier dapat dinyatakan sebagai berikut:
𝑑𝑦
𝑓 𝑦 ,𝑦 ,………,𝑦
𝑑𝑡
𝑑𝑦
𝑓 𝑦 ,𝑦 ,………,𝑦
𝑑𝑡
………
𝑑𝑦
𝑓 𝑦 ,𝑦 ,………,𝑦
𝑑𝑡
Dengan kondisi awal 𝑦 𝑡 𝜎 , 𝑖 1,2,3 … … … 𝑛 atau dapat ditulis dalam bentuk
persamaan ini

𝑑𝑦
𝑓 𝑡
𝑑𝑡
𝑓adalah fungsi nonlinier dan kontinu.

1.2 Titik Kesetimbangan

Diberikan sistem persamaan differensial sebagai berikut :
𝑥 𝑓 𝑥 ,𝑥 ,………𝑥 ; 𝑑𝑒𝑛𝑔𝑎𝑛 𝑥 , 𝑥 , … … … 𝑥 ∈ 𝑅
∗ ∗
Suatu titik 𝑥 yang memenuhi 𝑓 𝑥 0 disebut titik kesetimbangan atau titik tetap
dari sistem.
1.3 Nilai Eigen
Jika A adalah sebuah matrik 𝑛 𝑛, maka sebuah vektor taknol 𝑥 𝑝𝑎𝑑𝑎 𝑅 disebut
vektor eigen (eigenvector) dari A jika 𝐴𝑥 adalah sebuah kelipatan skalar dari 𝑥, yaitu:
𝐴𝑥 𝜆𝑥
𝐴𝑥 𝜆𝑥 0
𝐴 𝜆 𝑥 0

untuk skalar sembarang 𝜆, skalar 𝜆 disebut nilai eigen (eigenvalue) dari A , dan
disebut sebagai vektor eigen dari A yang terkait dengan 𝜆.

1.4 Kestabilan

Diberikan matriks Jacobian 𝐽 , dari Sistem nonlinear 𝑥 𝑓 𝑥 dengan

nilai eigen
(1) Stabil asimtotik lokal, jika semua nilai eigen dari matriks 𝐽 , bernilai negatif.
(2) Tidak stabil, jika terdapat paling sedikit satu nilai eigen matriks 𝐽 ,
bernilai positif.
 PEMBAHASAN

Solusi Analitis pada Sistem Autonomous

 Penentuan Titik Kesetimbangan

𝑓 𝑥 0

Atau 𝑓 𝑥, 𝑦 0; 𝑓 𝑥, 𝑦 0

 Mencari Matriks Jacobian di sekitar titik setimbang

𝜕𝑓 𝜕𝑓
⎡ ⎤
𝐽 𝑥 ∗, 𝑦∗ ⎢ 𝜕𝑥 𝜕𝑦 ⎥
⎢𝜕𝑓 𝜕𝑓 ⎥
⎢ ⎥
⎣ 𝜕𝑥 𝜕𝑦 ⎦
 Mencari Nilai Eigen dan Vektor Eigen
|𝐽 𝜆𝐼| 0 dan |𝐽 𝜆𝐼|v 0

Sistem Otonomus Linear 2 Dimensi

Bentuk umum sistem otonomus linear 2 dimensi sebagai berikut :
𝑑𝑥
𝑝𝑥 𝑞𝑦
𝑑𝑡
𝑑𝑦
𝑟𝑥 𝑠𝑦
𝑑𝑡
𝑝 𝑞
𝐴 , det 𝐴 0
𝑟 𝑠

𝑝 𝑞 𝑥 ⃗
atau 𝐴𝑥⃗
𝑟 𝑠 𝑦

Sehingga diperolah solusi Analitik

|𝐴 𝜆𝐼| 0
𝑝 𝑟 1 0
𝑞 𝑠 𝜆 0
0 1
𝑝 𝜆 𝑞
0
𝑟 𝑠 𝜆
𝑝 𝜆 𝑠 𝜆 𝑞𝑟 0
𝜆 𝑝 𝑠 𝜆 𝑝𝑠 𝑞𝑟 0
𝜆 𝑡𝑟𝑎𝑐𝑒 𝐴 𝜆 det 𝐴 0
 𝑡𝑟𝑎𝑐𝑒 𝐴 𝑡𝑟𝑎𝑐𝑒 𝐴 4de t 𝐴
𝜆 ,
2
Akar Real Berbeda 𝜆 𝜆
Akar Real kembar 𝜆 𝜆
Akar Kompleks 𝜆 𝛼 𝑖𝛽
Oleh karena itu:
1. 𝜆 𝜆 det 𝐴 0 𝑚𝑎𝑘𝑎𝜆 𝑑𝑎𝑛 𝜆 𝑏𝑒𝑟𝑏𝑒𝑑𝑎 𝑡𝑎𝑛𝑑𝑎
2. 𝜆 𝜆 det 𝐴 0 𝑚𝑎𝑘𝑎 𝜆 𝑑𝑎𝑛 𝜆 𝑏𝑒𝑟𝑡𝑎𝑛𝑑𝑎 𝑠𝑎𝑚𝑎
𝜆 𝜆 𝑡𝑟𝑎𝑐𝑒 𝐴
𝜆 𝜆 det 𝐴

Sehingga diperoleh solusi analitik :

1. 𝑠𝑜𝑙𝑢𝑠𝑖 𝑎𝑛𝑎𝑙𝑖𝑡𝑖𝑘 𝑗𝑖𝑘𝑎 𝜆 𝜆 :
𝑥 𝑡
𝐶𝑒 𝑣⃗ 𝐶𝑒 𝑣⃗
𝑦 𝑡
2. 𝑠𝑜𝑙𝑢𝑠𝑖 𝑎𝑛𝑎𝑙𝑖𝑡𝑖𝑘 𝑗𝑖𝑘𝑎 𝜆 𝜆 :
𝑥 𝑡
𝐶 𝑒 𝑣⃗ 𝐶 𝑒 𝑣⃗
𝑦 𝑡
Contoh Soal
1. 2𝑥 𝑦; 2𝑥 3𝑦

Jawab:
 Titik Kesetimbangan
Saat 0 𝑑𝑎𝑛 0, sehingga diperoleh :

- 2𝑥 𝑦 0
𝑦∗ 2𝑥
- 2𝑥 3𝑦 0
3
𝑥∗ 𝑦
2
Maka titik setimbangnya yaitu 𝑦, 2𝑥

 Matriks Jacobian
 Jika :
𝑓 2𝑥 𝑦
𝑓 2𝑥 3𝑦
𝜕𝑓 𝜕𝑓
𝑀𝑎𝑘𝑎, 2 ; 1
𝜕𝑥 𝜕𝑦
𝜕𝑓 𝜕𝑓
2 ; 3
𝜕𝑥 𝜕𝑦
Dapat ditulis dalam matriks jacobian

2 1 2 1
J  J 𝐽
2 3 , 2 3

 Mencari Nilai Eigen

|𝐽 𝜆𝐼| 0
2 𝜆 1
0
2 3 λ
2 𝜆 3 𝜆 2 0
𝜆 5𝜆 6 2 0
𝜆 5𝜆 4 0
𝜆 1; 𝜆 4
 Mencari Vektor Eigen
𝐽 𝜆𝐼 𝑣 0
2 𝜆 1 𝑣 0
2 3 λ 𝑣 0
 Saat 𝜆 1, subtitusi
1 1 𝑣 0
2 2 𝑣 0
Misal 𝑣 𝑠
𝑣 𝑣 0
𝑣 𝑣
Sehingga :
𝑣 𝑣 1
𝑣 𝑠
𝑣 𝑣 1
  Saat 𝜆 4, subtitusi
2 1 𝑣 0
2 1 𝑣 0
2𝑣 𝑣 0
2𝑣 𝑣
Sehingga :
𝑣 𝑣 1
𝑣 𝑠
𝑣 2𝑣 2
 PUPD :
𝑥 𝑡 1 1
𝑐 𝑒 𝑐 𝑒
𝑦 𝑡 1 2

 Phase Potrait
Karena 𝜆 bernilai positif semuamaka sitem tidak stabil. Sehingga gambar phase
potraitnya :
2. 𝑥 2𝑦; 2𝑥 2𝑦

Jawab:
 Titik Kesetimbangan
Saat 0 𝑑𝑎𝑛 0, sehingga diperoleh :

- 𝑥 2𝑦 0
𝑥∗ 2𝑦
- 2𝑥 2𝑦 0
𝑦∗ 𝑥
Maka titik setimbangnya yaitu 2𝑦, 𝑥
 Matriks Jacobian
Jika :
𝑓 𝑥 2𝑦
𝑓 2𝑥 2𝑦
𝜕𝑓 𝜕𝑓
𝑀𝑎𝑘𝑎, 1 ; 2
𝜕𝑥 𝜕𝑦
𝜕𝑓 𝜕𝑓
2 ; 2
𝜕𝑥 𝜕𝑦
Dapat ditulis dalam matriks jacobian

1 2 1 2
J  J 𝐽 ,
2 2 2 2

 Mencari Nilai Eigen

|𝐽 𝜆𝐼| 0
1 𝜆 2
0
2 2 λ
1 𝜆 2 𝜆 4 0
𝜆 𝜆 2 4 0
𝜆 𝜆 6 0
𝜆 3 𝜆 2
𝜆 3; 𝜆 2
 Mencari Vektor Eigen
 𝐽 𝜆𝐼 𝑣 0
1 𝜆 2 𝑣 0
2 2 λ 𝑣 0
 Saat 𝜆 3, subtitusi
4 2 𝑣 0
2 1 𝑣 0
Misal 𝑣 𝑠
2𝑣 𝑣 0
𝑣 2𝑣
Sehingga :
𝑣 𝑣 1
𝑣 𝑠
𝑣 2𝑣 2
 Saat 𝜆 2, subtitusi
1 2 𝑣 0
2 4 𝑣 0
𝑣 2𝑣 0
𝑣 2𝑣
Sehingga :
misal 𝑣 𝑟
𝑣 2𝑣 2
𝑣 𝑟
𝑣 𝑣 1
 PUPD :
𝑥 𝑡 1 2
𝑐 𝑒 𝑐 𝑒
𝑦 𝑡 2 1

 Phase Potrait
Karena 𝜆 ada yag bernilai positif maka sitem tidak stabil. Sehingga gambar phase
potraitnya :